PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97

Curso de Teledeteccin aplicada a la observacin e
informacin territorial
[IGN + UPM] con financiacin de la AECI
Madrid
MODULO 5 APLICACIONES TOPOGRFICAS Y TEMTICAS
5.3 APLICACIONES AMBIENTALES: PARMETROS

BIOFSICOS
Juan Jos Peces Morera Instituto Geogrfico Nacional
2013
Curso de tratamiento digital de datos procedentes de sensores remotos
PROYECTO CON IMGENES DE SATLITE

1 Estudio del problema:
Cartografa topogrfica?
Cartografa temtica?: ocupacin del suelo, etc. Fotointerpretacin o clasificacin?
Estudio temtico?: variables biofsicas (NDVI, etc.), indicadores ambientales, etc.
2 Eleccin del sensor considerando:

Resolucin geomtrica: Tamao del pxel (0,1mm a escala, Ej.: 1:25.000, 2,5m)
Resolucin temporal: revisita del sensor. cada cuanto tiempo preciso de datos?.
Cartografa bsica: aos.

Estudios ambientales: das, horas
Resolucin espectral: n y tipo de bandas que necesito.
3 Tratamientos geomtricos: correcciones y georreferenciacin

Polinomio de grado 1 2 (zona pequea o grande).
Modelo fsico, RPC, etc.
a- Variables biofsicas clasificacin (Cuando usamos una sola imagen) y segmentacin
4.a Tratamientos radiomtricos:
4.b Paso a reflectividades:
del Suelo,
Forestales, Cultivos
Escoger combinacin de bandas b- Fotointerpretacin: Mapas deOcupacin
Obtencin
de radiancias
Equilibrado radiomtrico: igualar
Clculo de reflectividad aparente TOA
imgenes.
Correccin atmosfrica
Mosaicar imgenes
Correccin topogrfica
Realce (mejora la percepcin visual)
c- Ortoimgenes (actualizacin de cartografa
topogrfica), cartoimgenes, publicar en web
2013
a- Variables biofsicas, Clasificacin (mltiples imgenes)
Variables continuas y parmetros biofsicos

1. ndices de vegetacin
2. Variables biofsicas que caracterizan a la
cubierta vegetal
3. Problemas que presenta el NDVI. Soluciones:
formulaciones alternativas de los ndices de
vegetacin
4. Otros ndices
2013

cubierta vegetal
vegetacin
4. Otros ndices
2013
ndices de vegetacin
Concepto de ndices
Se trata de generar nuevos valores digitales para
cada pxel, calculados a partir de los valores
radiomtricos originales captados por el sensor,
que mejoren la interpretacin de la imagen
Las ms utilizados: ndices de vegetacin
2013
ndices de vegetacin
Respuesta espectral de la vegetacin
segn su estado fenolgico
Vegetacin
sana
Reflectividad (%)
60
Vegetacin
enferma
40
Suelo
20
IR
0
0,4
2013
0,5
0,6
0,7
0,8
0,9
1,0
1,1 m
ndices de vegetacin
2013
ndices de vegetacin
rea de Cabaeros
R
IRC
IRC/R
2013
ndices de vegetacin
Concepto de ndice de Vegetacin
Los ndices de vegetacin (I.V.) son
transformaciones espectrales (es decir
combinaciones matemticas de dos o ms bandas
de una imagen) diseadas para realzar la seal de
la vegetacin.
Los I.V. permiten hacer comparaciones fiables entre
distintas zonas o distintas pocas de la actividad
fotosinttica y de las variaciones de la estructura de
la cubierta vegetal
2013
ndices de vegetacin
Concepto de ndice de Vegetacin
La potencia y la ventaja de los I.V. residen en su
simplicidad: Normalmente se calculan directamente, sin
ninguna informacin previa en cuanto cobertura del
suelo, edafologa, condiciones climticas, y por tanto
proporcionan medidas continuas y precisas de las
variaciones espaciales y temporales de la vegetacin.
Los I.V. son parmetros importantes para varios tipos de
"modelos biogeoqumicos agrcolas y forestales, y se
usan en varias aplicaciones operacionales, como: alarmas
alimentarias, clasificacin de usos del suelo,
epidemiologa, deteccin de inundaciones, degradacin
de terrenos, deforestacin y deteccin y seguimiento de
cambios.
2013
10
Ventajas de los ndices de Vegetacin
Atenan otros factores: suelo, atmsfera, iluminacin,

topografa
Sirven como variable de entrada para modelos biofsicos
(empricos o fsicos) para obtener parmetros tales como:
rendimiento de cultivos, estrs hdrico, cobertura verde del
suelo,...
Permiten el seguimiento multitemporal de la vegetacin:
Cambios en la cubierta
Dinmica fenolgica
Proporcionan una "Sntesis visual" de la informacin

2013
11
ndices de vegetacin
Principales aplicaciones de los ndices de vegetacin
Medicin de la cantidad, estructura y estado de la

vegetacin
Indicadores de variaciones estacionales e interanuales
de la vegetacin, tiles para estudios de cambios,
observaciones fenolgicas y cartografa de vegetacin.
Variable intermedia en los procesos de determinacin
de varios parmetros biofsicos
2013
12
ndices de vegetacin
Principales aplicaciones de los ndices de vegetacin
Mosaicos mundiales de NDVI con: NOAA,

Vegetation, MODIS, MERIS,
Desertizacin
Deforestacin
Prevencin de incendios
Cartografa de reas quemadas
Cobertura del suelo global
2013
13
ndices de vegetacin: NDVI

NDVI (Normalized Difference Vegetation
Index: ndice de Vegetacin de diferencia
normalizada Cociente normalizado):
Cociente simple:
NIRR
NDVI
NIRR
Donde:
NIR = reflectancia en el Infrarrojo Prximo
R = reflectancia en el rojo
2013
14

Uso de valores digitales en lugar de reflectividades
Cuando estamos trabajando con un solo sensor,

se pueden usar directamente los valores digitales
de NIR y Rojo sin necesidad de calcular
reflectancias, ya que los valores obtenidos
difieren poco y siempre en la misma proporcin,
por lo que siguen permitiendo la comparacin
entre distintas zonas y fechas, y el clculo es ms
sencillo y directo:
ND NIR NDR
NDVI
ND NIR NDR
2013
15

Interpretacin de los valores de NDVI
EL NDVI es una magnitud adimensional cuyos valores
varan entre -1 y +1
Las zonas con cubierta vegetal suelen tener NDVI 0.1
Las zonas con vegetacin densa suelen tener valores NDVI
entre 0.5 y 1.0
Un inconveniente del NDVI es que se suele saturar
(alcanzar el mximo valor) para LAI 4 (y por tanto, deja
de aportar informacin til de ah en adelante)
2013
16

cubierta vegetal
vegetacin
4. Otros ndices
2013
17
Variables biofsicas que caracterizan a la cubierta vegetal

Parmetros de la cubierta vegetal
correlaciones altas con el NDVI
que
presentan
LAI (Leaf Area Index)

LAD (Leaf Area Distribution)
FVC, (Fractional Vegetation Cover): proporcin de
suelo cubierta por la proyeccin vertical (nadir) de la
vegetacin.
APAR (Absorbed photosynthetically active
radiation radiacin absorbida fotosintticamente-)
2013
18

Parmetros de la cubierta vegetal
correlaciones altas con el NDVI
que
presentan
Productividad neta de la vegetacin

Cantidad de lluvia recibida por el dosel vegetal
Dinmica fenolgica
Contenido de clorofila de la hoja
Contenido de agua de la hoja
Flujo neto de CO2 (local y global)
PET ("Potential Evapotranspiration"):
inversamente relacionada con el NDVI
2013
19
LAI (Leaf Area Index)

- En vegetacin de hoja ancha (frondosas) es la superficie de todas las
hojas (una sola cara) existentes por unidad de superficie de terreno
- En vegetacin de hoja acicular (conferas) es la superficie proyectada
de las acculas existentes por unidad de superficie de terreno
2013
20
Correlacin NDVI - LAI
Medido para un dosel de trigo

en crecimiento (lnea continua)
y senescente (discontinua)
(Asrar et al. 1984)
2013
21
LAI obtenido con imgenes MODIS
2013
22
Cobertura vegetal (FVC)

FVC, (Fractional Vegetation
Cover): proporcin de suelo
cubierta por la proyeccin
vertical (nadir) de la vegetacin.
Cobertura vegetal a partir de anlisis

multitemporal del NDVI
(SPOT-VEGETATION)
(Aplicable tambin a AVHRR, MODIS, SEVIRI,
etc..)
2013
23
Contenido de humedad de las plantas

NDVI y Contenido de Humedad
y = 0.0007x + 0.2418
R2 = 0.5689
0.7
0.7
0.6
0.6
0.5
0.5
0.4
0.4
0.3
0.3
0.2
0.2
0.1
0.1
0
0
100
200
300
Pastizal
2013
400
500
y = 0.0013x + 0.2529
R2 = 0.2601
50
100
150
200
Matorral
24
fAPAR
"Fraction of Photosynthetically Active Radiation,"

Fraccin de radiacin fotosinteticamente activa.
Medida de la proporcin entre la iluminacin
solar realmente absorbida por las plantas frente
a la energa total que potencialmente podra
captarse.
2013
25
Correlacin entre NDVI y fAPAR
Para trigo en
primavera
(Asrar et al.,
1984)
2013
26
fAPAR obtenido con imgenes MODIS
2013
27

cubierta vegetal
vegetacin
4. Otros ndices
2013
28
Problemas que presenta el NDVI: alternativas

a) Proporcin vegetacin-suelo
Hay muchos factores "externos" (ajenos a la propia cubierta
vegetal) que modifican el valor del NDVI obtenido.
Uno de los ms importantes es la proporcin vegetacin-suelo: el
mismo valor de NDVI puede corresponder a una cubierta poco
densa y vigorosa o muy densa y poco vigorosa.
Soluciones:
Se han desarrollado formulaciones que corrigen este efecto,:
SAVI ("Soil Adjusted Vegetation Index)
OSAVI ("Optimized SAVI")
TSAVI ("Transformed SAVI")
2013
29

a) Proporcin vegetacin-suelo
SAVI
R
(1 L )
R L
NIR
NIR
Donde:
L : constante para ajustar el ndice a una reflectividad
promedio de fondo. L 0.5
OSAVI
2013
NIR
R
R 0 . 16
NIR
30

b) Efecto de la atmsfera
La atmsfera suele reducir el valor de NDVI y puede ser

muy importante en observacin oblicua (sensores de gran
FOV -"Field of View"-)
Soluciones:
a) Se pueden realizar mosaicos "compuestos" de 7 a 15 das
de imgenes, tomando de cada pxel la imagen en la que
la geometra de la toma es ms favorable
b) ARVI ("Atmospheric Resistant Vegetation Index")
GEMI ("Global Environment Monitoring Index")
2013
31

b) Efecto de la atmsfera
ARVI
*
*
NIR
RA
*
*
NIR
RA
*
RA
R* ( A* R* )
Donde:
*NIR = reflectividad aparente en el NIR
*A = reflectividad aparente en el rojo
= parmetro de calibracin que depende del tipo de
atmsfera. (casi siempre = 1)
2013
32

GEMI ("Global Environment Monitoring Index")
Se propone la reduccin simultnea del efecto

atmosfrico y los cambios en la reflectividad del
suelo
R 0.125
GEMI (1 0.25 )
1 R
2
2( NIR
R2 ) 1.5 NIR 0.5 R
NIR R 0.5
2013
33
Otras formulaciones de ndices de vegetacin
2013
34

cubierta vegetal
vegetacin
4. Otros ndices
2013
35
Otros ndices
ndices de contenido de agua
(llamados "ndices de estrs hdrico" o "ndices de sequa")
El ms utilizado es:
NDII ("Normalized Difference Infrared Index")
NDII
NIR
NIR
SWIR
SWIR
Donde swir se corresponde con el infrarrojo medio
2013
36
Comparacin
NIR R
NDVI =
NIR R
2013
NIR SWIR,5
NDII5 =
NIR SWIR,5
37
Otros ndices
ndice para resaltar superficies de agua
Embalse de Rapel, Chile, 1998
2013
G
IA =
G
SWIR
SWIR
38
Otros ndices
Identificacin de zonas sin vegetacin
NORMALIZED DIFFERENCE BARENESS INDEX (NDBaI)
SWIR TIR
NDBaI
SWIR TIR
(Necesita bandas SWIR y trmicas: Landsat, MODIS)

(Ejemplo: Landsat B5 y B6)
Identificacin de zonas urbanas

NORMALIZED DIFFERENCE BUILT-UP INDEX (NDBI)
SWIR NIR
NDBI
SWIR NIR
(Necesita bandas SWIR: Landsat, SPOT,MODIS)

Junto con el NDVI, permite clasificacin de zonas urbanas

(a veces tambin referenciado como Normalized Difference Soil Index NDSI)
2013
39
Otros ndices
ndice para estimar cobertura de nieve
NORMALIZED DIFFERENCE SNOW INDEX (NDSI)
NIR TIR
NDSI
NIR TIR
(Necesita banda trmica: Landsat, MODIS)

2013
40
Procedimientos de obtencin de
las variables. Modelos matemticos

empleados:
- Modelos empricos
- Modelos fsicos
2013
41
Formas de clculo
Todas las variables antes expuestas, se ha

comprobado que se correlacionan empricamente
con el NDVI mediante ajustes matemticos
(modelos empricos).
2013
42
El reto de los prximos aos ser plantear

relaciones ms generalizables, basadas en
"Modelos Fsicos", que permitan calcular estas
variables de modo ms preciso y consistente
2013
43
4.1. Modelos empricos
Regresiones (calculadas
mediante funciones
matemticas estadsticas
de interpolacin - Pueden
ser polinomios u otras-)
entre el parmetro de inters
y los valores (ND) de la
imagen
2013
44
2013
45
2013
46
4.2. Modelos fsicos
Parten de estudiar y simular, mediante algoritmos(*)

complejos la relacin fsica entre el parmetro a
estudiar y la informacin espectral.
Se puede distinguir entre:
2013
47
a) "Leaf Optical Properties Model"
Modelos de propiedades pticas de las

hojas
2013
48
b.2) "Canopy Reflectance Models"
Modelos de reflectancia de las

cubiertas
2013
49
2013
50
2013
51
Ejemplo: Visual ProSailh
Es una adaptacin realizada

por la Universidad de Alcal
de Henares de los modelos y
programas PROSPECT (hoja)
y SAILH (cubierta), que se
puede descargar libremente
de:
http://www.geogra.uah.es/rtm/ejecutables
/Visual%20ProSailh.exe
2013
52
Modelo en modo directo e inverso
Modo directo:
Caractersticas fsicas Reflectividades
Modo inverso:
Reflectividades Caractersticas fsicas
2013
53
2013
54
Referencias
Emilio Chuvieco Salinero. Teledeteccin

Ambiental. Ed. Ariel Ciencia, 2002
Nota: Todas las transparencias que llevan el anagrama de la
Universidad de Alcal proceden del CD ROM que viene con este
libro.
2013
55
CLASIFICACIN AUTOMTICA
1. Introduccin
2. Fase de entrenamiento
3. Fase de asignacin (clasificacin)
4. Verificacin de resultados
2013
56
1. Introduccin
2013
57
1. Introduccin
Diferenciasentre Fotointerpretacin y Clasificacin
Fotointerpretacin
Se realiza a partir de imgenes de satlite sobre las que se han
realizado ciertos tratamientos (correccin geomtrica, realces, etc.).
Basado en la habilidad del fotointrprete, sujeta por tanto, a las
limitaciones humanas.
Slo es posible la visualizacin simultnea de tres bandas (una
por cada color de la pantalla).
Se puede aadir otro tipo de informacin adicional (cartografa
vectorial, fotografas areas, ortoimgenes, etc.), para mejorar la
interpretacin.
2013
58
1. Introduccin
Diferenciasentre Fotointerpretacin y Clasificacin
Clasificacin
Proceso de asignar pxeles dentro de un nmero finito de clases,
basados en los valores de los mismos (ND: nivel digital del pxel).
Si el pxel satisface un cierto conjunto de criterios, es asignado a la
clase que se corresponde con los mismos.
Es posible el anlisis de todas las bandas de la imagen. Permite
la automatizacin y mayor rapidez del anlisis de los datos.
El resultado final de una clasificacin es una imagen o mapa
temtico donde los pxeles aparecen etiquetados segn su clase.
Posee mayor error que la fotointerpretacin.
2013
59
PROYECTO CON IMGENES DE SATLITE

1 Estudio del problema:
Cartografa topogrfica?
Cartografa temtica?: ocupacin del suelo, etc. Fotointerpretacin o clasificacin?
Estudio temtico?: variables biofsicas (NDVI, etc.), indicadores ambientales, etc.
2 Eleccin del sensor considerando:

Resolucin geomtrica: Tamao del pxel (0,1mm a escala, Ej.: 1:25.000, 2,5m)
Resolucin temporal: revisita del sensor. cada cuanto tiempo preciso de datos?.
Cartografa bsica: aos.

Estudios ambientales: das, horas
Resolucin espectral: n y tipo de bandas que necesito.
3 Tratamientos geomtricos: correcciones y georreferenciacin

Polinomio de grado 1 2 (zona pequea o grande).
Modelo fsico, RPC, etc. a- Variables biofsicas clasificacin y segmentacin
4.a Tratamientos radiomtricos:
4.b Paso a reflectividades:
del Suelo,
Forestales, Cultivos
Escoger combinacin de bandas b- Fotointerpretacin: Mapas deOcupacin
Obtencin
de radiancias
Equilibrado radiomtrico: igualar
Clculo de reflectividad aparente TOA
imgenes.
Correccin atmosfrica
Mosaicar imgenes
Correccin topogrfica
Realce (mejora la percepcin visual)
c- Ortoimgenes (actualizacin de cartografa
topogrfica), cartoimgenes, publicar en web
2013
a- Variables biofsicas, Clasificacin (mltiples imgenes y

mtodos no empricos)
60
1. Introduccin
2013
61
1. Introduccin
2013
62
1. Introduccin
Necesidad de pretratamientos
Con los mtodos "empricos" empleados hasta ahora, en
la mayora de los casos, no es necesario aplicar
tratamientos previos (como correcciones atmosfricas,
clculo de reflectividades, etc....), ya que los algoritmos
suelen funcionar igual de bien con los valores digitales "en
bruto"
2013
63
1. Introduccin
Clases "espectrales" y clases "informacionales"
Clases espectrales:
Grupos de pxeles con valores digitales (DN)
parecidos
Clases informacionales:
Es la "leyenda" de trabajo: la que pretende deducir
el intrprete
2013
64
1. Introduccin
Fases de la Clasificacin Automtica
Entrenamiento: definicin digital de las clases
Consiste en la definicin de las clases a partir de sus
caractersticas dentro de la imagen.
Existen dos mtodos: supervisado y no supervisado.
Resultado: conjunto de signaturas; cada signatura corresponde a

una clase.
Una signatura es un conjunto de parmetros estimados tras el

entrenamiento que utilizar el algoritmo de clasificacin para
realizar dicha clasificacin
Asignacin o Clasificacin: determinar a que clase pertenece cada

pxel mediante el uso de una regla de decisin (algoritmo
matemtico).
2013
65
1. Introduccin
MANIPULACIN DEL ESPACIO CARACTERSTICO
Transformacin de la imagen multiespectral
Espacio caracterstico: Nuevo espacio de representacin
VENTAJAS:
Hace evidentes algunas caractersticas
Reduce el nmero de dimensiones
TIPOS:
Transformadas espaciales
Transformadas espectrales:
2013
66
1. Introduccin
Transformadas espectrales
ARITMTICA DE BANDAS
Nueva banda obtenida mediante suma, resta, multiplicacin o
divisin de dos bandas originales
NDICES: Como los de vegetacin ya vistos
ANLISIS DE COMPONENTES PRINCIPALES
El objeto de esta transformacin es reducir la dimensionalidad (n de
bandas) en la imagen.
Las nuevas bandas se llaman componentes principales.
Este proceso maximiza la cantidad de informacin en el menor
nmero de componentes principales. Ej.: los tres primeros
componentes principales de una imagen TM de 7 bandas contienen el
90% de la informacin de dicha imagen.
2013
67
1. Introduccin
Transformadas espectrales
TRANSFORMADA TASSELED CAP (TTC)
Obtiene nuevas bandas por combinacin lineal de las originales para
realzar rasgos de inters.
Tres ejes de variacin:
Brillo
Verdor
Humedad
2013
68
1. Introduccin
2013
69
Concepto de "entrenamiento"
Se trata de obtener una descripcin de cada clase

(estadstica o de otros tipos) que tenga en cuenta las
caractersticas de todos los pxeles que consideramos que
deben pertenecer a ella, as como la "variabilidad" de los
mismos
Para ello hay que:
1) Obtener una muestra de pxeles de esa clase ("areas de
entrenamiento" -"training fields"-)
2) calcular las estadsticas (, ) o/y otros descriptores
(texturas,)
2013
70
Tipos de "entrenamiento"
Entrenamiento Supervisado:
Se parte de un conocimiento previo del terreno
Las reas de entrenamiento se eligen en zonas conocidas
de clases ("informacionales") conocidas.
Entrenamiento no supervisado:
No se requiere conocimiento previo del terreno
Las reas de entrenamiento se establecen automticamente
mediante algoritmos que buscan grupos de pxeles de
caractersticas homogneas ("clases espectrales")
(ojo: no confundir con la segmentacin automtica")
2013
71
Problemas en la definicin de clases
2013
72
Entrenamiento supervisado
rea de Entrenamiento (AOI): zonas de la imagen en las

que el analista puede identificar la clase de ocupacin del
suelo, por identificacin directa o por interpretacin a partir
de otras fuentes de informacin.
Parte del conocimiento previo de una
serie de clases en la imagen.
Bien identificados:
Suficientemente homogneos:
Que cubran todas las clases.
2013
73
Entrenamiento no supervisado
Tambin se llama aglomeracin (clustering).
Se parte de una serie de pxeles "semilla.
Un algoritmo automtico va agrupando iterativamente todos los
pxeles en grupos homogneos.
No se consideran otros elementos como la contigidad, la textura,
la forma u otros caractersticas
Hay que tener:
1) Criterio de similitud entre pxeles: normalmente Distancia
Euclidiana
2) Algoritmo de agrupamiento: el ms utilizado:
ISODATA
2013
74
Entrenamiento no supervisado: ISODATA
Se definen previamente N mximo n de clusters a obtener: este
nmero equivale al mximo nmero de clases.
El algoritmo comienza determinando n valores de media arbitrarios,
uno por cada cluster. Tras el clculo, algunos clusters con muy pocos
pxeles pueden ser eliminados, dejando menos de n.
Umbral de convergencia: mximo porcentaje de pxeles que no
cambian de clase entre una iteracin y la siguiente (normalmente
95%).
El proceso se detiene cuando el porcentaje de pxeles que cambian
de clase entre una iteracin y la siguiente es menor del 5%.
N mximo de iteraciones a calcular: cuando se alcanza este nmero
el proceso se detiene aunque no se haya alcanzado
el umbral de convergencia.
2013
75
1. Introduccin
2013
76

Concepto de asignacin
Se trata de asignar cada uno de los pxeles de la

imagen a la clase ms verosmil teniendo en cuenta:
Sus valores digitales (DN) en todas las bandas de ese
pixel y de los que le rodean.
Las caractersticas de las reas de entrenamiento
determinadas en la fase de entrenamiento.
Eventualmente, otra informacin "exgena" (no
perteneciente a la imagen). Ej: MDT, mapas previos,
2013
77

Mtodos de asignacin
I.
II.
III.
IV.
V.
VI.
2013
Mnima distancia
Paraleleppedos
Mxima probabilidad
rboles de decisin. Sistemas expertos.
Contexto espacial
Asignacin "borrosa" "fuzzy"
78

Clasificador de MNIMA DISTANCIA
Asigna un pxel a la clase cuya media es ms cercana, usando
parmetros estadsticos (el vector de medias) de las clases.
Desventaja frente al de mxima probabilidad: no considera
covarianzas(dispersin de los datos de la distribucin).
Ventaja: mtodo matemticamente simple.
IRC
a
b
?
c
2013
79

Clasificador Paralelepipdico
Evala si los pxeles de la imagen estn contenidos en un
paraleleppedo (o hipercubo en caso de ms dimensiones) de la clase.
Centro del paraleleppedo: media de la clase.
Dimensiones: medida de dispersin de la clase.
Ventaja de este mtodo: sencillez y rapidez de clculo
Es difcil obtener buenos resultados
IRC
a
b
?
?
c
2013
80

Mxima probabilidad: Basado en la Teora bayesiana la
decisin
Teorema de Bayes:
-P(wj/x): probabilidad de que dado un pxel x, ste pertenezca a la
clase wj.
-P(wj) es la probabilidad de obtener la clase wjen la imagen.
-P(x/wj) es la probabilidad de obtener el valor de pxel x en la clase
wj(verosimilitud).
Si la variable aleatoria x es el nivel digital de un pxel, y w1 y w2 son
dos posibles clases para el pxel, se asumir la pertenencia a la clase
w1 cuando:
2013
81
Mxima probabilidad
- o mxima verosimilitud- "maximum likelihood"IRC
a
b
?
c
R
2013
82
Mxima probabilidad
2013
83
Consiste en establecer reglas de

decisin basadas en operadores
lgicos.
Sistema Experto" (conjunto de
reglas que permiten a un algoritmo
tomar decisiones)
Sistemas expertos
IRC
< 10%
> 10%
Verde
Agua
> 30%
< 30%
Altitud
SWIR
< 40%
R
O
J
O
> 40%
> 30%
Urbano
(muy probable)
Cereal
(probable)
< 30%
Urbano
(probable)
Cereal
(muy probable)
2013
< 800m
Regado
> 800m
Caducifolios
84

Asignacin teniendo en cuenta el contexto espacial
Esta basada en el concepto de que la informacin relevante para
interpretar una imagen no esta representada en simples pxeles
sino en el significado de los objetos de la imagen y su mutua
relacin. Por tanto, permite usar una gran variedad de informacin
para clasificar: TONO, FORMA, TEXTURA, AREA,
CONTEXTO
2013
85
Asignacin "borrosa" ("fuzzy")

Se admite un cierto grado de pertenencia. Cada pxel se etiqueta en varias
categoras, con grado de pertenencia segn su similitud espectral.
CLASE 1
CLASE 2
CLASE 1
CLASE 3
CLASE 4
70 % CLASE 1
15 % CLASE 2
CLASE n
10 % CLASE 3
5
2013
% CLASE
86
Asignacin "borrosa" ("fuzzy")
Clasificacin
rgida/blanda
2013
87
1. Introduccin
2013
88
4. Verificacin de Resultados
El anlisis de las estadsticas de las clases obtenidas en el

entrenamiento resulta conveniente para reflexionar sobre:
Conveniencia de la leyenda
Tipo de informacin disponible
Mtodo utilizado
Se pretende evaluar la separabilidad de todas las clases

entre s
Si se detectan problemas, este anlisis nos puede dar
pistas sobre que decisiones tomar para solventarlo: qu
clases presentan problemas (se confunden), que
informacin o mtodo podra ayudar a discriminarlas, etc.
2013
89
Comparando una muestra de pxeles clasificados con sus

pxeles en el terreno. Datos de referencia: a partir de
informacin externa = verdad terreno. Pueden proceder de
muestreo en campo, fotografas areas e informacin similar.
Posibles Errores:
No clasificar un pixel en la clase a que corresponde (Omisin)
Clasificar un pxel en una clase a la que no corresponde
(Comisin)
Estos errores se pueden expresar en la MATRIZ DE
CONFUSIN: Filas: clases del mapa temtico. Columnas: las
clases reales
2013
90
Los elementos fuera de la diagonal principal o residuos,

proporcionan el error de comisin. Se trata del porcentaje de
pxeles que habiendo sido asignados a una clase no
corresponden en realidad a ella. Tambin se denomina riesgo del
usuario, o probabilidad de error que tiene el usuario cuando asume
que un cierto pxel pertenece a una clase cuando en realidad
pertenece a otra.
2013
91
Separabilidad grfica: histogramas
De forma grfica se pueden ver los histogramas correspondientes a
varias clases cuya distribucin es normal y su solape:
Banda 3
2013
Banda 4
92
Separabilidad grfica: Grficos de signaturas
40
35
urbano
30
pastizal
25
matorral
20
pinar-enc
15
suelo
cultivo
10
agua
5
0
1
2013
93
20
15
10
Banda 1
5
0
urbano
pastizal
matorral
pinar-enc
suelo
cultivo
agua
urbano
pastizal
matorral
pinar-enc
suelo
cultivo
agua
urbano
pastizal
matorral
pinar-enc
suelo
cultivo
agua
40
Separabilidad grfica:
Grficos de Dispersin
Espectral
35
30
25
Banda 4
20
15
10
5
0
50
45
40
35
30
Banda 5
2013
25
20
15
10
5
0
94
Separabilidad grfica: Elipses de dispersin
Cultivo
Suelo
Pastizal
Banda 4
Matorral
Urbano
Pinar-Encinar
Agua
Banda 3
2013
95
Anlisis de Estadsticas: media, desviacin tpica, valores

mximo y mnimo.
Separabilidad de Signaturas. Se usa la divergencia
transformada. Permite seleccionar el conjunto de bandas
que presentan mejor separabilidad entre clases.
2013
96
Instituto Geogrfico Nacional
Gracias por su atencin

Juan Jos Peces
Director del Servicio Regional en CLM
Instituto Geogrfico Nacional
925989271
jjpeces@fomento.es
2013
97

PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

PP.3.5.3.2y3.ClasificacionYparametrosBiofisicos 97

Cargado por

Copyright:

Formatos disponibles

Curso de Teledeteccin aplicada a la observacin e

MODULO 5 APLICACIONES TOPOGRFICAS Y TEMTICAS

5.3 APLICACIONES AMBIENTALES: PARMETROS

Curso de tratamiento digital de datos procedentes de sensores remotos

PROYECTO CON IMGENES DE SATLITE

2 Eleccin del sensor considerando:

Cartografa bsica: aos.

Resolucin espectral: n y tipo de bandas que necesito.

3 Tratamientos geomtricos: correcciones y georreferenciacin

a- Variables biofsicas clasificacin (Cuando usamos una sola imagen) y segmentacin

4.a Tratamientos radiomtricos:

4.b Paso a reflectividades:

a- Variables biofsicas, Clasificacin (mltiples imgenes)

Curso de tratamiento digital de datos procedentes de sensores remotos

Variables continuas y parmetros biofsicos

Curso de tratamiento digital de datos procedentes de sensores remotos

Variables continuas y parmetros biofsicos

Curso de tratamiento digital de datos procedentes de sensores remotos

Curso de tratamiento digital de datos procedentes de sensores remotos

Curso de tratamiento digital de datos procedentes de sensores remotos

Curso de tratamiento digital de datos procedentes de sensores remotos

Curso de tratamiento digital de datos procedentes de sensores remotos

Curso de tratamiento digital de datos procedentes de sensores remotos

Curso de tratamiento digital de datos procedentes de sensores remotos

Ventajas de los ndices de Vegetacin

Atenan otros factores: suelo, atmsfera, iluminacin,

Proporcionan una "Sntesis visual" de la informacin

Curso de tratamiento digital de datos procedentes de sensores remotos

Medicin de la cantidad, estructura y estado de la

Curso de tratamiento digital de datos procedentes de sensores remotos

Mosaicos mundiales de NDVI con: NOAA,

Curso de tratamiento digital de datos procedentes de sensores remotos

ndices de vegetacin: NDVI

Curso de tratamiento digital de datos procedentes de sensores remotos

ndices de vegetacin: NDVI

Cuando estamos trabajando con un solo sensor,

Curso de tratamiento digital de datos procedentes de sensores remotos

ndices de vegetacin: NDVI

Curso de tratamiento digital de datos procedentes de sensores remotos

Variables continuas y parmetros biofsicos

Curso de tratamiento digital de datos procedentes de sensores remotos

Variables biofsicas que caracterizan a la cubierta vegetal

LAI (Leaf Area Index)

Curso de tratamiento digital de datos procedentes de sensores remotos

Variables biofsicas que caracterizan a la cubierta vegetal

Productividad neta de la vegetacin

Curso de tratamiento digital de datos procedentes de sensores remotos

Variables biofsicas que caracterizan a la cubierta vegetal

LAI (Leaf Area Index)

Curso de tratamiento digital de datos procedentes de sensores remotos

Variables biofsicas que caracterizan a la cubierta vegetal

Correlacin NDVI - LAI

Medido para un dosel de trigo

Curso de tratamiento digital de datos procedentes de sensores remotos

Variables biofsicas que caracterizan a la cubierta vegetal

LAI obtenido con imgenes MODIS

Curso de tratamiento digital de datos procedentes de sensores remotos

Variables biofsicas que caracterizan a la cubierta vegetal

Cobertura vegetal (FVC)

Cobertura vegetal a partir de anlisis

Curso de tratamiento digital de datos procedentes de sensores remotos

Variables biofsicas que caracterizan a la cubierta vegetal

Contenido de humedad de las plantas

Curso de tratamiento digital de datos procedentes de sensores remotos